Biais cachés des modèles de conduite de bout en bout

Les systèmes de conduite de bout en bout ont récemment connu des progrès rapides, en particulier sur CARLA. Indépendamment de leur contribution majeure, ils apportent des modifications aux composants mineurs du système. Par conséquent, l'origine des améliorations n'est pas claire. Nous identifions deux biais qui se répètent dans presque toutes les méthodes de pointe et sont cruciaux pour le progrès observé sur CARLA : (1) la récupération latérale grâce à un biais inductif fort vers le suivi d'un point cible, et (2) la moyenne longitudinale des prédictions multimodales de points d'étape pour ralentir. Nous examinons les inconvénients de ces biais et identifions des alternatives fondées sur des principes. En intégrant nos observations, nous développons TF++, une méthode simple de bout en bout qui occupe la première place sur les benchmarks Longest6 et LAV, gagnant 11 points de score de conduite par rapport au meilleur travail précédent sur Longest6.